هتل مجید

داده‌هایمان را بشناسیم

این داده شامل اطلاعات اقامت و رزرو مهمان‌های هتل مجید است. جزئیات این اطلاعات شامل تاریخ رزرو، تاریخ ورود و خروج، طول اقامت، هزینه‌ی اتاق، نوع اتاق و حتی کشور مبدا مسافران است! چند رکورد از این داده را میبینیم: همانطور که در جدول مشخص است مورد دوم رزرو خود را کنسل کرده پس روز ورود و خروج و… برای این مورد ثبت نشده.

gt::gt(head(hotel_data))

index	check_in_date	check_out_date	booking_date	Country	room_type_code	Status	stay_duration	price_pernight
1	2013-07-24	2013-07-25	2013-06-06T14:24:10Z	Netherlands	D1	Checked Out	1	30.00
2			2013-06-07T00:09:08Z	Denmark	D1	Cancelled	0	28.99
3	2013-08-01	2013-08-03	2013-06-07T00:09:20Z	Switzerland	D2	Checked Out	2	25.38
4	2013-08-01	2013-08-03	2013-06-07T00:09:20Z	Switzerland	D2	Checked Out	2	29.60
5	2013-07-26	2013-07-27	2013-06-07T00:09:42Z		D3	Checked Out	1	29.90
6	2013-07-26	2013-07-28	2013-06-07T00:11:38Z	Netherlands	C3	Checked Out	2	24.19

اشتباهات داده را پیدا کنیم

لیست زیر اقداماتی است که برای آشکار شدن! داده‌های غلط انجام شد ۱- مقدار status و stay duration برای رزروهایی که کنسل شده یا نشده اند همخوانی داشته باشد ۲- فاصله‌ی تاریخ ورود و خروج برابر مدت اقامت باشد ۳- قیمت اتاق های مختلف داده‌ی پرت نداشته باشد ۴- تاریخ رزرو قبل از تاریخ ورود باشد

library(data.table)
hotel_data=data.table(hotel_data)

# no faulty data in stay duration
calculated_duration=hotel_data[str_c(ymd(check_out_date) - ymd(check_in_date))!=stay_duration]

# no faulty data in status/stay duration
cancelled_but_checked_out=
  hotel_data[stay_duration==0 & Status=="Checked Out"]
  
#room type categorized to determine outlier
cat_hotel=hotel_data[ , room_cat :=str_extract(room_type_code,"[A-Z]")]
                      
ggplot(cat_hotel,aes(x=month(ymd_hms(booking_date)),y=price_pernight,color=room_cat))+
  geom_point(size=2)+
  facet_wrap(~room_cat)

باور این که اتاق Bدر تمام طول این ۲ سال خالی بوده است دشوار است! پس یا این داده اشتباه وارد شده و هتل اصلا اتاق به این نوع ندارد یا اتاق بسیار بدیست!

checkin_before_booking=
  hotel_data[ymd(floor_date(ymd_hms(hotel_data$booking_date),unit = "days"))> ymd(check_in_date)]

# remove faulty data
hotel_data=hotel_data[ymd(floor_date(ymd_hms(hotel_data$booking_date),unit = "days"))< ymd(check_in_date)+days(1)]

gt::gt(head(checkin_before_booking))

index	check_in_date	check_out_date	booking_date	Country	room_type_code	Status	stay_duration	price_pernight	room_cat
72	2013-07-02	2013-07-03	2013-07-03T01:01:44Z		D2	Checked Out	1	26.07	D
155	2013-07-05	2013-07-06	2013-07-06T01:04:13Z		D1	Checked Out	1	29.00	D
156	2013-07-05	2013-07-06	2013-07-06T01:04:15Z		D1	Checked Out	1	29.00	D
157	2013-07-05	2013-07-06	2013-07-06T01:04:17Z		D1	Checked Out	1	29.00	D
264	2013-07-09	2013-07-10	2013-07-10T01:48:50Z	France	D2	Checked Out	1	26.07	D
274	2013-07-09	2013-07-10	2013-07-10T07:22:29Z	Germany	D1	Checked Out	1	29.00	D

این جدول چند نمونه از مشتریان را نشان میدهد که بعد از وارد شدن و اتاق گرفتن، رزرو کردند! بسته به سیاست‌های هتل این داده ها می‌توانند غلط باشند

داده‌هایمان را تحلیل کنیم

مشتریان هتل بیشتر از کدام کشورها هستند؟

guests_origin=hotel_data[, .N, by=Country]

plot_ly(head(guests_origin[Country!=""],20), labels = ~Country, values = ~N, type = 'pie',
      textposition = 'inside',
      textinfo = 'label+percent',
      insidetextfont = list(color = '#FFFFFF'),
      hoverinfo = 'text',
      text = ~paste(N, ' guests'),
      marker = list(colors = colors,
                    line = list(color = '#FFFFFF', width = 1)),
      showlegend = FALSE)

پراکندگی مهمان‌ها در یک نقشه‌ی جهان را نیز ببینیم

library(rgdal)
library(leaflet)
library(RColorBrewer)

world_spdf <- readOGR(
  dsn= paste0(getwd(),"/world_shape_file/") ,
  layer="TM_WORLD_BORDERS_SIMPL-0.3",
  verbose=FALSE
)

# Clean the data object
world_spdf@data$POP2005[ which(world_spdf@data$POP2005 == 0)] = NA
world_spdf@data$POP2005 <-round(as.numeric(as.character(world_spdf@data$POP2005)) / 1000000,2)
world_spdf@data=guests_origin[world_spdf@data,on=c("Country"="NAME")]
# make pallete
mybins <- c(0,10,20,50,100,500,Inf)
mypalette <- colorBin( palette="YlOrBr", domain=world_spdf@data$n, na.color="transparent", bins=mybins)
 
# Prepare the text for tooltips:
mytext <- paste(
    "Country: ", world_spdf@data$Country,"<br/>", 
    "Guests: ", world_spdf@data$N, "<br/>", 
    "Population: ", round(world_spdf@data$POP2005, 2), 
    sep="") %>%
  lapply(htmltools::HTML)
 
# Final Map
leaflet(world_spdf) %>% 
  addTiles()  %>% 
  setView( lat=10, lng=0 , zoom=2) %>%
  addPolygons( 
    fillColor = ~mypalette(N), 
    stroke=TRUE,
    fillOpacity = 0.9, 
    color="white", 
    weight=0.3,
    label = mytext,
    labelOptions = labelOptions( 
      style = list("font-weight" = "normal", padding = "3px 8px"), 
      textsize = "13px", 
      direction = "auto"
    )
  ) %>%
  addLegend( pal=mypalette, values=~N, opacity=0.9, title = "Population (M)", position = "bottomleft" )

هتل در چه زمانی از سال بیشتر مشتری دارد؟

نرخ رزرو و ورود مهمان‌ها را در طول سال میبینیم. به نظر می‌رسد که این هتل در ماه‌های پاییزی مشتریان بیشتری دارد

hotel_data=data.table(hotel_data)
booking_season=hotel_data[, .N ,by=month(ymd_hms(booking_date))]
booking_season[, Type:="Booking"]

check_in_data=hotel_data[check_in_date!=""]
check_in_season=check_in_data[, .N ,by=month(ymd(check_in_date))]
check_in_season[, Type:="Check in"]

ggplot(rbind(booking_season,check_in_season),aes(month,N,fill=Type))+geom_col()+
  labs(title = "Booking and checking in rate whitin a year",y="number of customers")

هتل در چه فصل‌هایی از سال بیشترین مشتری را دارد؟

hotel_data=data.table(hotel_data)
hotel_data[month(ymd(check_in_date)) %in% c(6,7,8), Season := "Summer"]
hotel_data[month(ymd(check_in_date)) %in% c(12,1,2), Season := "Winter"]
hotel_data[month(ymd(check_in_date)) %in% c(3,4,5), Season := "Spring"]
hotel_data[is.na(Season), Season := "Autumn"]
guest_per_season=hotel_data[, .N, by=Season]

plot_ly(na.omit(guest_per_season), labels = ~Season, values = ~N, type = 'pie',
      textposition = 'inside',
      textinfo = 'label+percent',
      insidetextfont = list(color = '#FFFFFF'),
      hoverinfo = 'text',
      text = ~paste(N, ' guests'),
      marker = list(colors = c("#6db356","orange","steelblue","pink"),
                    line = list(color = '#FFFFFF', width = 1)),
      showlegend = FALSE)

در چه ماه از سال احتمال آنکه مشتریان رزرو خود را کنسل کنند بیشتر است؟

hotel_data=read.csv("~/Downloads/data.csv")
hotel_data=data.table(hotel_data)
cancelled=hotel_data[Status=="Cancelled"]

cancelled[month(ymd_hms(booking_date)) %in% c(6,7,8), Season := "Summer"]
cancelled[month(ymd_hms(booking_date)) %in% c(12,1,2), Season := "Winter"]
cancelled[month(ymd_hms(booking_date)) %in% c(3,4,5), Season := "Spring"]
cancelled[is.na(Season), Season := "Autumn"]
cancelled_season=cancelled[, .N, by=Season]

plot_ly(na.omit(cancelled_season), labels = ~Season, values = ~N, type = 'pie',
      textposition = 'inside',
      textinfo = 'label+percent',
      insidetextfont = list(color = '#FFFFFF'),
      hoverinfo = 'text',
      text = ~paste(N, ' guests'),
      marker = list(colors = c("#6db356","orange","steelblue","pink"),
                    line = list(color = '#FFFFFF', width = 1)),
      showlegend = FALSE)

میانگین قیمت اتاق‌ها در طول سال چه تغییری می‌کند؟

price_per_month=hotel_data[, .(room_price_mean=mean(price_pernight)), by=month(ymd(check_in_date))]
guests_per_month=hotel_data[, .N , by=month(ymd(check_in_date))]
price_per_month=na.omit(price_per_month)
guests_per_month=na.omit(guests_per_month)
price_demand=guests_per_month[price_per_month,on=c("month","month")]

ggplot(price_demand,aes(x=month))+
  geom_line(aes(y=N/max(N),color="average price per night"))+
  geom_line(aes(y=room_price_mean/max(room_price_mean),color="customers rate"))

چه اتاق‌هایی گران‌ترند؟

guest_per_room=hotel_data[, .N , by= room_type_code]
ggplot(guest_per_room,aes(x=room_type_code,y=N))+geom_col(fill="steelblue")

چه اتاق‌هایی پرطرفدارترند؟

avg_price_per_room=hotel_data[, .(avg_price=mean(price_pernight)) , by= room_type_code]
ggplot(avg_price_per_room,aes(x=room_type_code,y=avg_price))+geom_col(fill="pink")

تحلیل قیمت هر اتاق برای هر شب

ppn_summarise=cat_hotel[, keyby = .(room_cat),
     .(avg = mean(price_pernight),std=sd(price_pernight))]
gt::gt(ppn_summarise)

room_cat	avg	std
A	44.46390	11.112842
B	39.99000	NA
C	27.40846	2.867252
D	25.73160	1.645656

انتخاب ویژگی

در این قسمت می‌خواهیم به پارامتر‌های موثر در داده اشاره کنیم. اگر به نمودارهایی که کشیدیم توجه کنیم، میبینیم که محور اصلی بسیاری از این نمودارها به نوع اتاق وابسته بود. در داشبورد نیز می‌توانیم ببینیم که تقریبا قیمت هر اتاق cوd ثابت است ولی قیمت اتاق‌های Aمتغیر است.

به نمودار‌های میانگین قیمت هر اتاق و نمودار عرضه و تقاضا نیز می‌توان اشاره کرد که هم اهمیت پارامتر نوع اتاق و هم اهمیت پارامتر هزینه‌ی اتاق را مشخص می‌کند

در بین پارامتر‌هایی که تاریخی را مشخص می‌کنند به نظر زمان ورود از اهمیت بیشتری برخوردار است چون وضعیت هتل و تقاضا را نشان می‌دهد همچنین توزیع تقاضا در ماه‌ها یا فصل‌های سال را با همین پارامتر می‌سنجیم

پارامتری که کشور مبدا را مشخص می‌کند می‌تواند برای تعیین جامعه‌ی هدف تبلیغات می‌تواند موثر باشد. وضعیت کنسلی نیز